自动垂直根部骨折检测在口腔内外皮性放射图上,使用基于人工智能的图像增强
Sifa Ozsari1, Kıvanç Kamburoğlu2,3,4, Aviad Tamse4
1Department of Computer Engineering, Ankara University, Ankara, Turkey.
概括
转移学习 (TL) 显著改善了使用人工智能增强的牙科放射图的垂直根骨折 (VRF) 诊断. 这项研究表明,TL模型实现了高精度,帮助临床医生更有效地识别骨折.
科学领域:
- 牙科放射学 牙科放射学
- 医学中的人工智能.
- 机器学习用于诊断.
背景情况:
- 垂直根骨折 (VRFs) 在牙科中构成诊断挑战.
- 准确的VRF检测对于治疗规划和预后至关重要.
- 当前的诊断方法可能在灵敏度和特异性方面存在局限性.
研究的目的:
- 评估转移学习 (TL) 技术,以提高垂直根骨折 (VRF) 诊断的准确性.
- 评估人工智能 (AI) 对VRF检测图像增强的影响.
- 分析抽取牙和口腔内射线图的VRF检测性能.
主要方法:
- 采用了378张口腔内外皮放射照片的数据集 (195张骨折,183张对照).
- 雇佣了DenseNet,ConvNext,Inception121和MobileNetV2与模型的融合. 这是一个很好的选择.
- 应用粒子优化 (PSO) 和深度学习 (DL) 在评估前用于图像增强.
主要成果:
- 丹塞网+Inception融合模型实现了最高的精度 (0.80),具有强烈的回忆,F1得分和AUC.
- 牙分析显示0.80准确度,0.84AUC和0.60卡帕.
- 前分析给出了0.78准确度,0.78 AUC和0.55 kappa,可接受的观察者内部和观察者之间的协议.
结论:
- 转移学习 (TL) 显示了提高射线成像中的VRF诊断精度的巨大潜力.
- TL是开发VRF识别自动诊断系统的宝贵工具.
- 这些人工智能驱动的方法可以帮助临床医生更准确地进行VRF诊断.
